Une équipe de recherche chinoise a récemment publié les résultats d’une étude sur l’optimisation du procédé de craquage catalytique du pétrole par intelligence artificielle. Cette recherche explore comment les technologies d’intelligence artificielle, telles que les réseaux de neurones, peuvent améliorer la sécurité, l’efficacité et les performances environnementales du traitement des huiles lourdes.
Le craquage catalytique en lit fluidisé est un procédé clé du raffinage du pétrole, chargé de convertir les huiles lourdes en produits comme l’essence. Yang Fan, chercheur au Collège des sciences informatiques de l’Université de Sichuan et premier auteur de l’article, a déclaré : « La sécurité, l’efficacité et la protection de l’environnement sont les objectifs centraux du traitement du pétrole. L’alerte précoce des conditions de fonctionnement anormales, l’analyse et l’optimisation du rendement des produits, ainsi que l’analyse et l’optimisation de la désulfuration des fumées sont nos axes de recherche actuels, visant respectivement à améliorer la sécurité, l’efficacité et les niveaux de protection environnementale du traitement du pétrole. »
L’équipe de recherche utilise la technologie des réseaux de neurones pour simuler le mécanisme de traitement des données du cerveau humain, analysant rapidement un grand nombre de paramètres de procédé comme la température et le débit de vapeur via des nœuds interconnectés. Mao Xu, chercheur au laboratoire d’intelligence artificielle des données de New Hope Liuhe, a indiqué : « Les progrès de la technologie de collecte de données industrielles nous permettent d’obtenir plus de données pour l’analyse. Le développement de l’intelligence artificielle nous permet d’analyser ces données plus précisément. » Cette approche pilotée par les données peut traiter automatiquement les problèmes à haute dimensionnalité, révélant les relations non linéaires entre différentes variables.
En combinant l’apprentissage automatique avec les modèles mécanistiques traditionnels, les chercheurs ont établi des modèles de prédiction de procédé plus précis. Yang Fan a ajouté : « La méthode des réseaux de neurones peut traiter efficacement les caractéristiques non linéaires à haute dimensionnalité du procédé de craquage catalytique, obtenant de meilleurs résultats dans l’analyse et l’optimisation des procédés, démontrant un avantage énorme. » L’équipe prévoit, dans les phases suivantes, de tester les réseaux de neurones validés par simulation dans des environnements de production réels.
